Transcrição da Prova — Leonardo Soares de Almeida

Matrícula: 20233003935 • Turma1 • Prova Escrita 1 (Modelo A)

Data de Publicação

27/10/2026

Data de Modificação

22/10/2026

Voltar ao Quadro Geral de Notas | Visualizar Laudo Oficial em HTML

Transcrição Fiel da Prova Escrita 1 — Modelo A

Discente: Leonardo Soares de Almeida
Matrícula: 20233003935
Turma: turma1
Taxa de Legibilidade Estimada: 88%

Questão 1 — Triagem com dados heterogêneos (5,0 pontos)

Item 1.a — Figura 1 e Decisão de Produção (2,0 pontos)

“Não se pode afirmar que o sistema está pronto para implantação só pela diminuição da perda de treino. O cenário exposto pela figura 1 evidencia um caso de sobreajuste (overfitting) a partir da sessão de resposta (época 8), onde a perda de validação passa a crescer. Assim, nesse caso, o modelo passa a decorar ruído e, por consequência, perde sua capacidade de generalização. Basicamente vê-se que o modelo apenas decorou a base de treino.”

Observações de Leitura (OCR): Cursiva em grafite claro; diagnostica com precisão o overfitting a partir da época 8, perda de generalização e memorização de ruído.

Item 1.b — Representação e Retropropagação (2,0 pontos)

“As entradas devem ser pré-processadas para garantir a normalização, e representadas estruturadas de forma adequada. As mesmas são passadas por meio de uma matriz com os valores referentes a cada feature para a camada de entrada da MLP. O BACKPROPAGATION fazendo o caminho inverso do forward propagation calcula a derivada dos pesos das camadas para a minimização da função de perda L (loss), mas isso só é possível por meio de uma função de ativação que preserve o gradiente durante o FP.”

Observações de Leitura (OCR): Detalha representação matricial de features e a mecânica reversa do backpropagation calculando gradientes para minimizar a perda.

Item 1.c — Evidências de Confiança e Reprodutibilidade (1,0 ponto)

“Deve-se observar os erros gerados pelo modelo, onde o mesmo preferencialmente tem base em treino, validação e teste. O accuracy e o recall (e precision e dependendo do caso o F1) são métricas que adicionam um valor percentual à confiabilidade do modelo.”

Observações de Leitura (OCR): Cita partição tripla (treino/validação/teste) e métricas complementares (Recall, Precision, F1-Score).

Questão 2 — Inspeção visual em condições novas (5,0 pontos)

Item 2.a — Diagnóstico Experimental (2,0 pontos)

“Pode-se variar os cenários em que as imagens são tiradas, o que aumentaria uma variação de brilho, assim como se pode-se experimentar com a rotação e posicionamento das peças. Verifica-se a accuracy e o recall associado a cada método para tirar-se um diagnóstico primário. O sobreajuste mostra que o modelo decorou a base de treino, o que não parece ser o caso pelo baixo número de amostras. Já as falhas no processo de rotulação deve ser mostrada por uma inconsistência em amostragem cruzada.”

Observações de Leitura (OCR): Discute variações de iluminação/brilho no turno noturno e propõe aferir inconsistências de rótulos.

Item 2.b — Arquitetura e Transferência de Aprendizado (2,0 pontos)

“Uma CNN é indicada para processar imagens. As camadas dividem a imagem aumentando cada vez mais os níveis de abstração. Primeiras camadas passam a identificar elementos simples e estruturados como bordas e formas geométricas, já as intermediárias passam a identificar cores e padrões. Enquanto isso, as camadas mais profundas passam a reconhecer a complexidade do objeto. No caso do modelo pré-treinado, deve-se treinar uma camada ‘cabeça’ com a base congelada e após seu treinamento e ajuste da ‘cabeça’, faz-se então o TREINO COM O descongelamento da base juntamente com a diminuição do LR.” (Anotação marginal: “a exemplo da variação de brilho, experimentação, rotação e repetição”)

Observações de Leitura (OCR): Excelente descrição da hierarquia de representações em CNNs (bordas \(\rightarrow\) formas \(\rightarrow\) texturas \(\rightarrow\) objetos) e do procedimento em duas etapas de fine-tuning (congelar base, treinar cabeça, descongelar com taxa de aprendizado reduzida e data augmentation).

Item 2.c — Cautela Amostral (1,0 ponto)

“Fazer uma boa estratificação da base de dados para que haja resolução sobre as épocas do modelo. Deve-se também tomar cuidado com indicadores evolutivos como é o caso da perda de treino e a alta acurácia por poderem ser enganosos quanto ao estado real/crítico do modelo.”

Observações de Leitura (OCR): Alerta sobre o perigo de métricas enganosas e a necessidade de estratificação consistente.

Questão 3 — Alerta que muda decisões (5,0 pontos)

Item 3.a — Interpretação da Calibração e Crítica ao Limiar (2,0 pontos)

“Vê-se que a acurácia do sistema no limiar de 0,5 é menos que 40% [anotação: \(\frac{18}{50} = 36\%\)], o que gera um grande volume de falsos positivos que desgastam a equipe e geram gastos desnecessários. Nesse contexto é um sistema que gera muitos falsos positivos e principalmente falsos negativos. A decisão também se mostra imprecisa uma vez que o modelo performa abaixo da expectativa na dita decisão.”

Observações de Leitura (OCR): Calcula a proporção \(\frac{18}{50} = 36\%\) e discute o impacto operacional do excesso de alarmes falsos.

Item 3.b — Custos Assimétricos e Capacidade Operacional (2,0 pontos)

“\(\min(\text{Custo}) = N_{FP} \cdot C_{FP} + N_{FN} \cdot C_{FN}\). É um cálculo difícil pois envolve valores morais, não somente monetários. Deve-se restringir-se no contexto ético e moral, a consideração em salvar os doentes, principalmente a ocorrência de falsos negativos para não haver prejuízo à vida.”

Observações de Leitura (OCR): Modela explicitamente a função de custo linear esperada ponderando \(N_{FP} C_{FP} + N_{FN} C_{FN}\) e pontua a assimetria ética do falso negativo na medicina.

Item 3.c — Telemetria e Deriva de Conceito (1,0 ponto)

“Uma MLP continuará a fornecer os resultados esperados, sendo que no caso de anomalias/divergências deve-se refazer o modelo e mudar a entrada de forma a otimizar o aprendizado do modelo.”

Observações de Leitura (OCR): Cita retreinamento e reestruturação de entradas diante de divergências operacionais.